Agent“死机“了?上下文爆了?换模型失忆了?

Function Call状态管理:避免对话死机的工程实践 在大语言模型应用中,Function Call是实现外部工具调用的关键技术,它允许模型通过结构化请求与外部系统交互。其核心原理在于模型通过特殊格式的消息发起调用,而系统需将执行结果以特定角色消息格式注入对话上下文,确保模型能基于真实结果进行后续推理。这一机制的技术价值在于实现了模型认知与外部世界的状态同步,是构建可靠AI智能体的基础。在实际应用场景中,开发者常因忽略执行结果的上下文管理而导致对话“死机”——模型无法关联函数调用与返回结果,产生矛盾回复。本文聚焦于如何通过规范的`function`角色消息传递 阅读详情

你有没有经历过这些崩溃时刻?

调试了大半天,Agent 突然挂掉,一切要从头来过…

上下文已经塞了 3 万 token,输出质量断崖式下跌…

套餐用完切换模型,新 Agent 上线:“你好,我是你的新助手”,前面聊的全忘了…

这些问题我们全都踩过,而且踩得很惨。今天分享一个我们觉得设计得很妙的解法:临终备忘录机制。

01 三个"死亡场景",每个都踩在肺上

01 Agent突然挂掉

正在进行复杂的代码重构,十几轮对话、几百次工具调用,眼看就要收尾——啪,进程崩了。

“你好,我是你的 AI 助手,有什么可以帮你?”

我刚才在干什么?配置是什么?做到哪一步了?——全部忘光。

02 上下文窗口爆炸

长任务跑着跑着,输出开始变奇怪——决策前后矛盾、工具调用重复、模型开始"幻觉"。

上下文超过 40% 质量阈值,模型开始丢失早期信息

压缩哪段?压缩后怎么衔接?搞不好比崩溃还乱。

03 模型切换后失忆

用的模型套餐达上限,切换到另一个模型。新模型:

“你好,我是新模型,请告诉我你需要什么帮助”

不记得项目背景、不记得方案决策、不记得用户偏好。切换一次,调教一遍。


02 我们的解法:临终备忘录

核心理念

人死之前要写遗嘱,Agent “死"之前,为什么不能写一份"临终备忘录”?

当 Agent 检测到自己即将"死亡"(重启/压缩/切换)时,主动写下备忘录,把自己正在做的事、做到哪一步、下一步该干什么,全部记录下来。

下一次启动时,先读备忘录,无缝衔接。

触发方式场景
主动指令用户说"我要重启了" / “保存进度” / “写临终备忘录”
自动标记工具调用 ≥20 时,提示用户"是否保存 checkpoint?"

03 备忘录写什么?

临终备忘录 (Death Note)
# 生成时间: 2026-04-10 20:33 | 状态: 🟡 待恢复

## 1. 身份信息
- Agent类型: Hermes
- 用户: 律麟
- 当前项目: 半导体产线智能体

## 2. 临终前正在做的事
- 任务: 调试大盘产出预测模型
- 当前步骤: 第3轮参数调优,已跑通baseline
- 已完成: 数据清洗 / 特征工程 / baseline模型
- 阻塞点: 预测误差率偏高,怀疑是X特征缺失
- 下一步: 补充X特征,重新训练

## 3. 核心约束
- 用户偏好: 直击重点,不要废话
- 项目规则: 先读源码再动手

## 4. 关键配置
- 模型: MiniMax-M2.5
- memoria相关记忆ID: [019d7759...]

状态: 🟡 待恢复 — 下一Agent启动时读取此文件

📍 共享路径(跨Agent通用):

/tmp/death-note/death-note.md

所有 Agent 共享同一个路径,备忘录写完放在这里,下一个 Agent 启动时自动读取。恢复后自动删除 ,避免重复恢复。


04 恢复流程

  1. Agent 启动

  2. 检查临终备忘录是否存在

/tmp/death-note/death-note.md

  1. 存在?→ 读取 → 执行恢复 → 删除备忘录

不存在?→ 正常启动

  1. 连接 memoria 验证连通性

检索相关记忆(上次做到哪、踩过什么坑)

  1. 开始工作

无缝衔接,上下文完整


05 临终备忘录 vs 其他方案

在这里插入图片描述


06 三大适用场景

A Agent 崩溃恢复

💀崩溃前:临终备忘录写入(当前任务 + 上下文快照)

↓ (或:自动触发长任务 checkpoint)

🔄重启后:读备忘录 → 恢复上下文 → 继续工作

⚡原本 30 分钟的恢复工作,变成 <1分钟自动完成

B 上下文窗口压缩

检测到:上下文 >40% 阈值

↓ 临终备忘录写入(精华摘要 + 当前任务状态)

✂️ 压缩:保留最近对话 + 备忘录摘要作为新上下文开头

▶️ 继续:模型"记得"之前在做什么,只是丢了细节

⚡ 压缩不再是"截断",而是"有准备的交接"

C 模型切换

📤 原模型:临终备忘录写入(完整状态 + 配置 + 偏好)

↓ 套餐达上限 → 切换新模型

📥 新模型:读取备忘录 + 读取 memoria 历史记忆

💬 “你好,我是新模型。你目前在做半导体项目的大盘预测,上一步在调参,下一步补充X特征——继续?”

🔗 切换模型不再是"失忆重启",而是"换人不换岗"


07 和memoria的配合

瞬时状态 + 长期经验 = 完整恢复

  • 💀 临终备忘录:解决瞬时状态保存——重启/压缩/切换前,把当前正在做的事、上下文快照全部写入备忘录
  • ☁️ memoria:解决长期经验积累——教训/配置/记忆跨 session 持久化,语义检索随时召回

新 Agent 既知道 “刚才在干啥”,也知道"以前踩过什么坑" —— 完整上下文恢复


08 后续优化方向

  1. 自动化触发更智能:目前靠规则(≥20工具调用),未来让AI自己判断"这个时刻值得记录"
  2. 压缩和备忘录联动:上下文压缩时自动生成摘要备忘录,而不是等到"死亡"才写
  3. 多级 checkpoint:不只是"临终",任务关键节点都可以打 checkpoint,形成版本链
  4. 跨 Agent 接力标准化:临终备忘录路径和格式开放成行业标准,任何 Agent 都能读写

总结

临终备忘录的本质是——给 Agent 装一个"濒死自觉"。它知道自己可能要"死"了,所以在最后一刻把所有关键信息塞进一份备忘录里,放在一个共享位置,下一个Agent 来的时候先读一下,无缝接手。
Agent 不再害怕"死",因为它知道自己会"复活"。


欢迎体验 Memoria,点击官网链接即可进入 https://thememoria.ai/

Kimi K2.6 + Hermes构建生产级多Agent工作流 多Agent系统的核心挑战在于协作而非单点智能——它需要状态管理、上下文继承、容错调度与跨工具编排。Hermes作为轻量级多智能体协调中间件,填补了大模型(如Kimi K2.6)在长上下文推理与代码生成优势之外的关键空白:提供有状态的任务生命周期管理、Agent间结构化上下文传递及失败精准定位能力。其技术价值体现在将离散AI能力整合为可追溯、可审计、可续跑的自动化工作流,广泛适用于数据分析、报告生成、跨系统集成等企业级场景。本文聚焦Kimi K2.6与Hermes Desktop的工程化落地,覆盖环境适配、 阅读详情

相关推荐

AI Agent工程化:从提示工程到运行时架构的范式转移

在人工智能领域,智能体(Agent)技术正从概念验证迈向工程化落地。其核心原理在于通过大语言模型赋予系统感知、规划与执行能力,实现自主任务处理。这一技术的核心价值在于将AI从辅助工具升级为可承担复杂工作流的“数字化员工”,从而在自动化客服、智能数据分析、流程自动化等应用场景中释放生产力。然而,当前实践面临的核心瓶颈在于系统的可靠性与可控性,这推动了行业焦点从“提示工程”转向“运行时工程”。未来的发展将侧重于构建精细化的状态管理、可靠的任务分解架构以及标准化的工具调用生态,通过可观测的系统设计和模型协同,最终

weixin_28223453的博客 296

OpenClaw对话一长就变笨?解决上下文窗口爆满

摘要: 本文针对大模型对话中常见的上下文窗口溢出问题(表现为重复回答或报错),提供了实用解决方案。首先介绍了通过/context命令诊断token使用情况的方法,当使用率超过80%时需要警惕。随后给出两种急救方案:推荐使用/compact命令自动压缩对话历史,或手动新建会话并摘要关键信息。长期解决方案包括配置自动压缩阈值(如本地模型设为0.6,GPT-4设为0.85)和养成减少token消耗的习惯(避免大段粘贴、定期新建会话等)。对于极端小窗口模型,建议升级或采用外部记忆方案。文末提供5步检查清单,帮助用户

PeterPan的博客 1930

AI应用开发实战:从LLM、Function Call到Agent与Workflow的完整技术栈解析

在人工智能应用开发领域,大语言模型(LLM)作为核心推理引擎,通过函数调用(Function Call)机制与外部世界交互,实现了从理解到执行的闭环。这一技术组合的价值在于将LLM的认知能力转化为可落地的自动化解决方案,广泛应用于智能客服、内容生成、数据分析等场景。在此基础上,开发者通过封装可复用的技能(Skill)和构建具备自主规划能力的智能体(Agent),进一步提升了系统的模块化和智能化水平。而工作流(Workflow)则为流程固定的复杂任务提供了可视化的编排能力。本文以构建一个“智能旅行规划助手”为

weixin_34175509的博客 445

Function Call实战:从原理到工程,构建不“死机”的AI Agent系统

Function Call(函数调用)是大语言模型(LLM)与外部世界交互的核心机制,它使AI模型能够执行工具、查询API或操作数据。其原理在于将自然语言指令转化为结构化的调用请求,并处理返回结果。这一技术的核心价值在于扩展了模型的“行动”能力,使其从纯文本生成升级为能够完成实际任务的智能体(Agent)。在实际应用场景中,如智能客服、自动化工作流和AI助手,Function Call的健壮性直接决定了系统的可用性。然而,一个关键且易被忽视的工程细节是**上下文管理**:函数执行的结果必须被及时、正确地注入

weixin_34246529的博客 334

从ChatBot到具身Agent:AI交互范式革命与技术栈演进

在人工智能领域,智能体(Agent)正从传统的对话机器人(ChatBot)向具备自主规划与执行能力的具身智能体(Embodied Agent)演进。其核心原理在于,以大语言模型(LLM)为决策中枢,通过感知、规划、行动、观察的闭环,实现对环境的理解与交互。这一转变的技术价值在于,AI不再局限于文本生成与信息检索,而是能够主动调用工具、操作软件,甚至在未来操控物理实体,从而将自动化从预设规则提升至基于理解的自主任务完成。在应用场景上,它正推动企业级RPA向智能流程自动化升级,并催生能操作复杂软件的数字助理。本

weixin_30628801的博客 332

LangChain Function Call执行链路源码解析:从工具调用到智能体记忆管理

在大型语言模型应用开发中,工具调用(Function Calling)是实现AI智能体与外部系统交互的核心机制。其原理是通过LLM解析用户意图,生成结构化请求,再由框架调度执行对应的函数或API。这一技术的核心价值在于扩展了LLM的能力边界,使其能够获取实时数据、执行具体操作,从而支撑起搜索问答、自动化流程、数据分析等复杂应用场景。深入理解工具调用的执行链路,特别是结果处理和上下文管理,是构建稳定智能体系统的关键。本文以LangChain框架为例,剖析其Function Call从解析、映射到执行的完整流程

weixin_34241036的博客 576

Agent记忆系统设计:短期上下文与长期外部记忆的协同实践

在人工智能与智能体(Agent)开发领域,记忆系统是实现持续交互与个性化服务的关键技术组件。其核心原理在于模拟人类认知过程,通过短期工作记忆处理即时任务,并借助长期外部存储积累经验知识。从技术价值看,有效的记忆设计能突破大语言模型(LLM)的上下文长度限制,降低推理成本,同时支持复杂多轮对话与状态保持。在实际应用场景中,短期上下文作为Agent的“工作记忆区”,需妥善管理对话历史与函数调用(Function Call)结果回填,避免对话中断;而长期外部记忆则扮演“知识库”角色,通常借助向量数据库实现信息的持

weixin_29051811的博客 11

从GWAS到单细胞:利用seismic包精准定位疾病相关的关键细胞亚群与驱动基因

本文详细介绍了如何利用seismic包将GWAS与单细胞测序数据结合,精准定位疾病相关的核心细胞亚群与驱动基因。通过创新的统计算法和实战案例,帮助研究者从遗传汇总数据中挖掘关键生物学机制,提升疾病研究的精准度和效率。

weixin_29215815的博客 442

【Agent Harness实战】我给 Agent 装了一套“神经系统”,它现在比我还敏感

触发器:TaskEnd任务结束时(不管是成功还是失败),感知引擎会自动提取经验从任务结果中抽取场景摘要创建Experience对象,成功给 0.9 分,失败给 0.1 分打上标签(experiencetask:任务ID存入 L0 图数据库下次同类任务启动时,TaskStart 触发器会自动检索这些经验,注入给 SA。整个系统形成了一个“经验 → 检索 → 应用 → 再提取经验”的正向循环。"scenario": "Q2 销售数据分析,使用 Python 分析 + 预测模型",

2604_96270735的博客 387

VMware 17+Win10 22H2全栈配置指南|UEFI优化+GPU直通实战

​VMware下载:下载官网版本的Wmare 17 Pro (点击直达链接 )企业用户可选永久许可证,个人学习也可以直接安装使用,Win10镜像:微软官网下载22H2版ISO文件(附官方纯净版渠道 )

waicsdn_haha的博客 4021

TCMSP数据库+R语言实战:从网页爬虫到中药-靶点网络图的全流程解析

本文详细解析了如何使用R语言从TCMSP数据库抓取中药-靶点数据,并通过数据清洗、网络分析和可视化构建完整的中药作用机制研究流程。涵盖动态网页爬虫、ADME参数筛选、网络图构建及高级可视化技巧,为中医药现代化研究提供实用的生物信息学方法。

weixin_31304817的博客 337

大模型与Agent如何重构智能客服:从意图识别到闭环执行

智能客服是自然语言处理与企业服务结合最紧密的落地场景之一。传统客服系统依赖规则与意图分类,面对长尾问题、知识维护和多轮对话时往往力不从心。大模型凭借强大的语义理解与生成能力,改变了人机交互的底层逻辑,让系统从“教它理解”走向“本来就能听懂”。但要真正解决问题,仅靠大模型还不够,Agent智能体通过感知、决策、执行与记忆,将问答升级为可闭环的业务操作,深度对接订单、CRM、工单等系统。在电商、金融、政务等高密集咨询场景中,智能客服Agent不仅降低人工压力,还能实现任务完成率、首次解决率等关键指标优化。本文结

weixin_34199405的博客 327

【物理模拟】PBD算法详解

参考MatthiaMuller的十分钟物理(他就是PBD算法的发明者)

beidou111的博客 9499

AI Agent架构实战:从LLM、上下文管理到工具调用的系统工程指南

在人工智能应用开发领域,大语言模型(LLM)作为核心推理引擎,提供了强大的认知与生成能力。其工作原理是基于海量数据训练出的参数化知识,通过自注意力机制等结构理解和生成文本。这项技术的核心价值在于,它能够将非结构化的自然语言指令转化为结构化的任务规划和决策。然而,LLM的能力边界受限于其固定的上下文窗口,这引出了智能体(Agent)系统工程中的关键挑战:如何高效管理上下文与扩展外部能力。上下文管理充当了Agent的“工作内存”,涉及短期对话历史、长期记忆的向量化存储与动态检索(RAG),以及通过摘要、压缩等策

weixin_33309048的博客 318

Cox构建预测模型(5):如何用R语言绘制校准曲线(附全套代码)

这篇文献通过绘制两个模型的DCA曲线来评估模型的临床决策实际需求,一个是列线图模型,包括纳入列线图的全部变量,一个是TNM模型,只纳入TNM分期3个变量。A图是训练集1年、3年、5年患者的总生存期的DCA曲线;B图是训练集1年、3年、5年患者的总生存期的DCA曲线,红色线条代表列线图模型(包括构建模型的10个变量),黄色线条代表TNM模型(仅纳入TNM分期3个变量),两个模型对比,在绘制校准图之前,必须要完成数据的导入、拆分数据集的工作、预测因子的筛选,校准图的绘制是分别在训练集与验证集独立进行的。

qq_37610365的博客 1360

8.9华为OD机试真题 新系统 - 灯带颜色变换 (Java/Py/C/C++/Js/Go)

8.9华为OD机试真题 新系统 - 灯带颜色变换 (Java/Py/C/C++/Js/Go)

算法大师! 672

大模型Function Call实战:从原理到健壮系统构建的深度解析

大语言模型(LLM)的Function Call(函数调用)能力,是实现AI智能体(Agent)从对话到行动的关键技术。其核心原理在于模型将非结构化的自然语言意图,转化为结构化的操作指令,并遵循特定的交互协议(如OpenAI格式)进行调用。这项技术的核心价值在于,它使AI能够理解和执行复杂、多步骤的任务,从而在客服、数据分析、自动化工作流等应用场景中发挥巨大作用。然而,在实际工程实践中,仅仅实现基础调用是远远不够的,开发者常会遇到模型“幻觉”参数、上下文管理不当导致对话“失忆”等挑战。本文聚焦于**上下文管

weixin_30443813的博客 338

11 指挥AI写C语言/嵌入式基础代码,适配硬件与底层逻辑

本文为《30天掌控AI编程:从指令到落地,手把手教你指挥AI写代码》系列第十一篇,正式进入第三阶段多场景实战环节。聚焦**C语言/嵌入式基础代码**生成,结合嵌入式开发的核心需求,讲解如何精准编写指令,指挥AI生成适配硬件、贴合底层逻辑的C语言代码,覆盖嵌入式常用底层功能、硬件适配要点、代码规范,搭配完整指令模板、AI输出示例与实操校验方法,零基础也能快速指挥AI完成嵌入式基础开发,无需死记硬背C语言底层语法。

coreopt的博客 140

AI Agent工程化实战:从概念验证到生产部署的核心挑战与架构设计

在人工智能领域,智能体(AI Agent)作为基于大语言模型(LLM)的自主任务执行系统,正从技术演示走向规模化应用。其核心原理是通过感知-规划-执行循环,将LLM的认知能力转化为具体行动。然而,这一过程面临系统工程层面的严峻挑战,技术价值在于构建可靠、可控的生产级智能系统。当前主要瓶颈体现在长程任务的状态管理、工具调用的可靠性、系统可观测性以及基础设施缺失等方面。针对这些挑战,业界正探索从单体智能体向协调器(Orchestrator)与工作者(Worker)分离的架构演进,并强化**可观测性(Observ

weixin_30367169的博客 374

Open3D 三维重建-Delaunay Triangulation (德劳内三角剖分)

德劳内三角剖分(Delaunay Triangulation)是一种用于从一组点生成三角形网格的算法。它的特点是使得生成的三角形尽量接近等边三角形,即最大化最小角度,避免生成细长的三角形。

纵马踏花向自由 2502

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

用 Multi-Agent Orchestrator 搭起 7×24 小时课程助教:从踩坑到上线的完整复盘

Multi-Agent Orchestrator 是一个开源的多智能体编排框架,专门解决"让多个 AI 智能体协同工作、处理复杂对话"这件事。我们团队用它给在线教育平台搭了一个 7×24 小时的课程助教,过程并不顺利:凌晨两点,运营同学发来截图,"课程助教"又把用户的"怎么退款"答成了"推荐课程"。事后复盘,问题不在模型,而在架构——一群智能体被塞进同一个框架,却没人认真规划分工、路由和兜底。这篇

gitblog_01181的博客 732

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

前缀滑动法:用缓存复用与窗口控制优化长上下文推理

Transformer大模型在长上下文推理中,随着输入序列增长,每一轮对话都需要重新编码整个历史,导致重复计算和显存压力。KV Cache虽能缓存注意力中间结果,但无法解决跨轮前缀的重复计算。前缀滑动法结合前缀缓存与滑动窗口,将稳定前缀的KV缓存复用,同时用滑动窗口限制缓存规模,从而大幅降低Prefill阶段的计算开销。在多轮对话、长文档问答、代码Agent等场景中,该方法能有效提升推理速度并控制显存占用,是长上下文性能优化的重要工程手段。

weixin_34241036的博客 410

Camera2Demo

在Camera2 的基础上进行封装,使得Camera2一堆初始化逻辑与Activity分离,降低耦合度,完成预览拍照并保存的操作

假人有限元模型

假人模型,车辆碰撞假人有限元模型,适合做乘员安全的研究者利用

8GB显存跑35B大模型:Qwen3.6-A3B本地部署与Agent实战全解析

在本地硬件受限的环境下,如何高效运行大型语言模型是众多开发者和技术爱好者关注的核心问题。显存容量、量化技术、稀疏激活机制共同决定了模型能否在消费级设备上流畅推理。通过模型量化与CPU/GPU混合负载调度,可以在低显存条件下实现每秒数十token的生成速度,并兼顾长上下文窗口与多模态理解能力。这种部署方式不仅保障数据隐私,更支持离线运行与本地Agent编排,适用于文档分析、代码辅助、自动化脚本生成等场景。从基础概念到工程实践,本文将系统性拆解在8GB显存笔记本上运行35B参数级模型的完整路径,重点介绍MoE架

weixin_29038537的博客 286

手写200行代码吃透Cursor原理:AI编程的本质竟是一个循环

不知道大家平时用Cursor、Copilot这些AI编程工具的时候,有没有过这种疑惑。敲一行需求,它哐哐给你建项目、写代码、装依赖,连配置错了都能自己修。整个流程二十多步,它自己闷头就走完了。我之前一直觉得这是什么黑魔法,直到我自己手写了个不到200行的迷你版AI编程Agent。写完我直接悟了——核心居然就是个for循环?写完这个迷你Agent,我最大的感受就是:很多看起来高大上的技术,拆到底层逻辑都特别朴素。总结三个核心观点:第一,AI Agent本质就是个带工具调用的对话循环。

HHX_01的博客 228

AR+AI双引擎如何上云?眼镜跨端融合的架构与实践

云计算为智能硬件提供了弹性算力底座,也让“端侧计算+云端智能”成为主流架构。消费级AR眼镜因重量、功耗限制,无法本地运行大模型,端侧仅保留SLAM、手势识别等低延迟任务,语义理解与内容生成必须交由云端AI引擎。这种端云协同的跨端融合方案,依赖实时音视频链路、MQTT消息通道和多端一致的AI上下文,使眼镜、手机与云服务协同为“一台设备”。在应用层面,AI Agent通过调用日历、地图等生态API完成真实任务,数据回流与模型迭代则让系统越用越聪明。雷鸟与腾讯云的合作展示了“AR+AI双引擎”的落地路径:AR负责

weixin_34184158的博客 301

Ai-Agent学习历程—— 阶段3——RAG 与记忆机制

基于学习大纲我们有了一个简单的地图,从官网的资料进行对应,主要是以下三部分过程中可以进行参考官方文档,但有一些可能会基于目前最新的资料进行适当的更改,让我们愉快的开始吧!这里为您梳理第一节:ETL 数据智能清洗与高阶分块的学习地图。本节将带您攻克数据进入向量数据库之前的“清洗、结构化解析、智能切分与父子文档关联”全流程,彻底打牢 RAG 的数据地基。以现在大模型的发展来说,200K的上下文甚至接近300K的都有,几本书是不成问题的,那切片的意义又在哪?核心原因有三个:在 RAG 系统中,用户提问后,我们不能

蓝桉 861
上一篇: 【MOI 实践 Vol.2】[特殊字符]报表数字看不懂、口径对不上?让AI帮你搞定一切
下一篇: 为什么企业 Agent 建设离不开数据平台
MatrixOrigin
博客等级 码龄5年 708粉丝 230原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值